CN114172638A - 基于多模型数据融合的量子加密通信方法 - Google Patents
基于多模型数据融合的量子加密通信方法 Download PDFInfo
- Publication number
- CN114172638A CN114172638A CN202010950889.5A CN202010950889A CN114172638A CN 114172638 A CN114172638 A CN 114172638A CN 202010950889 A CN202010950889 A CN 202010950889A CN 114172638 A CN114172638 A CN 114172638A
- Authority
- CN
- China
- Prior art keywords
- quantum
- data
- local
- model
- cloud server
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L9/00—Cryptographic mechanisms or cryptographic arrangements for secret or secure communications; Network security protocols
- H04L9/08—Key distribution or management, e.g. generation, sharing or updating, of cryptographic keys or passwords
- H04L9/0816—Key establishment, i.e. cryptographic processes or cryptographic protocols whereby a shared secret becomes available to two or more parties, for subsequent use
- H04L9/0852—Quantum cryptography
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/20—Ensemble learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B10/00—Transmission systems employing electromagnetic waves other than radio-waves, e.g. infrared, visible or ultraviolet light, or employing corpuscular radiation, e.g. quantum communication
- H04B10/70—Photonic quantum communication
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/01—Protocols
- H04L67/10—Protocols in which an application is distributed across nodes in the network
- H04L67/1095—Replication or mirroring of data, e.g. scheduling or transport for data synchronisation between network nodes
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L9/00—Cryptographic mechanisms or cryptographic arrangements for secret or secure communications; Network security protocols
- H04L9/08—Key distribution or management, e.g. generation, sharing or updating, of cryptographic keys or passwords
- H04L9/0816—Key establishment, i.e. cryptographic processes or cryptographic protocols whereby a shared secret becomes available to two or more parties, for subsequent use
- H04L9/0838—Key agreement, i.e. key establishment technique in which a shared key is derived by parties as a function of information contributed by, or associated with, each of these
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L9/00—Cryptographic mechanisms or cryptographic arrangements for secret or secure communications; Network security protocols
- H04L9/08—Key distribution or management, e.g. generation, sharing or updating, of cryptographic keys or passwords
- H04L9/0861—Generation of secret information including derivation or calculation of cryptographic keys or passwords
- H04L9/0869—Generation of secret information including derivation or calculation of cryptographic keys or passwords involving random numbers or seeds
Abstract
本发明公开了一种基于多模型数据融合的量子加密通信方法,由云服务器、多个本地节点组成,本地节点之间建立独立的量子信道互联,不同本地节点分别存储不同异构数据,以本地节点中的任何一个节点的隐含层参数为初始模型参数,在云服务器进行模型训练后形成新的参数,分发至各本地节点后,进行本地数据的多目标学习训练,各本地节点将训练后的隐含层参数返回至云服务器,进行迭代后直至所有本地节点数据均遍历训练完成。本发明通过模型训练的方式对不同端的数据进行训练,确保了多地不同数据在不共享的情况下能够训练得出相应的参数,整体上优化了模型,解决了不同数据之间不能共享的问题。
Description
技术领域
本发明属于光纤通信、无线通信和量子通信的交叉学科领域,具体是指一种基于联邦学习算法的量子加密通信方法,尤其涉及一种基于多模型数据融合的量子加密通信方法、系统及存储介质。
背景技术
量子通信技术是一种能够从通信链路角度实现信息安全传输的通信技术,其本质是通过远端用户量子态同步共享实现信息交互;攻击者无法在测量前预测量子态信息、分离量子态或在测量后复刻量子态,任何对通信链路的干扰(无论是来自具备窃听动机的攻击行为还是来自于不可抗力影响)都将破坏远端用户量子态同步共享机制,引起通信双方觉察。现阶段量子通信技术能够做到量子保密通信,但在量子数据的处理方面主要通过量子密钥分发实现明文信息加解密操作。
目前量子通信技术中的数据,不管是多端还是多源都需要进行单一和标准化处理,在很多场景下,不同的数据源需要融合处理。
多任务学习(Multi-Task Learning,MTL)是一种归纳迁移机制,主要目标是利用隐含在多个相关任务的训练数据中的特定领域信息来提高泛化能力,多任务学习通过使用共享表示并进行训练多个任务来完成这一目标。
发明内容
针对现有技术,本发明要解决的技术问题是如何利用算法模型在本地端进行融合学习,以有效解决多目标学习的问题。
为了达到上述效果,本发明提供的基于多模型数据融合的量子加密通信方法,由云服务器、多个本地节点组成,本地节点之间建立独立的量子信道互联,本地节点存储数据且基于神经网络模型产生隐含层参数,本地节点与云服务器通过协商交互和信息后处理同步共享量子真随机数序列,利用量子分发建立真随机数同步共享机制,不同本地节点分别存储不同异构数据,以本地节点中的任何一个节点的隐含层参数为初始模型参数,在云服务器进行模型训练后形成新的参数,分发至各本地节点后,在本地节点端侧进行本地数据的多目标学习训练,各本地节点将训练后的隐含层参数通过量子通信返回至云服务器,重复上述步骤进行迭代后直至所有本地节点数据均遍历训练完成。
优选的,上述节点包括私有数据节点和非私有数据节点。
优选的,上述云服务器设置预设条件,当隐含层参数的计算层数不符合预设条件时,不断将参数分发至本地节点。
优选的,上述本地节点之间形成单通道双向量子传输,量子密钥分发协议包括但不限于BB84协议、E91协议、BBM92协议、高维量子密钥分发协议、时间-能量纠缠协议、TF协议、连续变量量子密钥分发协议。
优选的,上述本地节点预先商定安全关切低速数据和非安全关切高速数据的判定标准和标记方式。
优选的,上述本地节点预先商定高速数据块长度和低速数据插入位数,高速数据块长度和低速数据插入位数是定长或变长。
优选的,上述本地节点预先商定低速数据插入高速数据块的位置,是高速数据块第一位之前、最后一位之后、或是中间任意位置。
优选的,上述本地节点建立安全可靠的信息交互机制;不同安全等级、不同通信速率的异构数据按一定规则融合。
一种实现基于多模型数据融合的量子加密通信方法的系统,包括量子光源、偏振控制器、偏振分束器、单光子探测器,其特征在于所述系统还包括:
云服务器模块,接收各本地节点发送的隐含层参数,在云服务器进行模型训练后形成新的参数,分发至各本地节点;
多节点管理模块,本地节点存储数据且基于神经网络模型产生隐含层参数,本地节点与云服务器通过协商交互和信息后处理同步共享量子真随机数序列,利用量子分发建立真随机数同步共享机制,不同本地节点分别存储不同异构数据,以本地节点中的任何一个节点的隐含层参数为初始模型参数,在收到云服务器分发的参数后,在本地节点端侧进行本地数据的多目标学习训练,各本地节点将训练后的隐含层参数通过量子通信返回至云服务器;
量子分发模块,通过量子态传递实现通信双方真随机数同步共享;
数据融合模块,将非安全关切高速数据分块、根据量子真随机数分布结果在各数据块内插入安全关切低速数据的某一位或某几位、再将各数据块按序整合形成双速数据融合数据;
参数整合模块,对多个本地节点发送的多个模型参数进行整合,得到与学习目标对应的多个整合后的隐含层参数。
一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现上述方法的步骤。
与现有技术相比,本发明通过模型训练的方式对不同端的数据进行训练,确保了多地不同数据在不共享的情况下能够训练得出相应的参数,整体上优化了模型,解决了不同数据之间不能共享的问题。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对本发明实施例中所需要使用的附图作简单地介绍,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1示出了本发明基于多模型数据融合的量子加密通信系统的结构示意图;
图2示出了本发明量子加密通信原理示意图;
图3示出了本发明多层模型处理原理示意图。
具体实施方式
下面将详细描述本发明的各个方面的特征和示例性实施例,为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细描述。应理解,此处所描述的具体实施例仅被配置为解释本发明,并不被配置为限定本发明。对于本领域技术人员来说,本发明可以在不需要这些具体细节中的一些细节的情况下实施。下面对实施例的描述仅仅是为了通过示出本发明的示例来提供对本发明更好的理解。
需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
如图1所示,本实施例提供一种基于多模型数据融合的量子加密通信方法,由云服务器、多个本地节点组成,应用在云服务器,包括:
S1、本地节点之间建立独立的量子信道互联,本地节点存储数据且基于神经网络模型产生隐含层参数;
S2、本地节点与云服务器通过协商交互和信息后处理同步共享量子真随机数序列,利用量子分发建立真随机数同步共享机制;
S3、不同本地节点分别存储不同异构数据,以本地节点中的任何一个节点的隐含层参数为初始模型参数;
S4、在云服务器进行模型训练后形成新的参数,分发至各本地节点后,在本地节点端侧进行本地数据的多目标学习训练;
S5、各本地节点将训练后的隐含层参数通过量子通信返回至云服务器,重复上述步骤进行迭代后直至所有本地节点数据均遍历训练完成。
在一些实施例中,本地节点包括私有数据节点和非私有数据节点。
在一些实施例中,本地云服务器设置预设条件,当隐含层参数的计算层数不符合预设条件时,不断将参数分发至本地节点。
在一些实施例中,本地节点之间形成单通道双向量子传输,量子密钥分发协议包括但不限于BB84协议、E91协议、BBM92协议、高维量子密钥分发协议、时间-能量纠缠协议、TF协议、连续变量量子密钥分发协议。
在一些实施例中,本地节点预先商定安全关切低速数据和非安全关切高速数据的判定标准和标记方式。
在一些实施例中,本地节点预先商定高速数据块长度和低速数据插入位数,高速数据块长度和低速数据插入位数是定长或变长。
在一些实施例中,本地节点预先商定低速数据插入高速数据块的位置,是高速数据块第一位之前、最后一位之后、或是中间任意位置。
在一些实施例中,本地节点建立安全可靠的信息交互机制;不同安全等级、不同通信速率的异构数据按一定规则融合。
如图2所示,本发明还提供一种实现基于多模型数据融合的量子加密通信方法的系统实施例,包括量子光源、偏振控制器、偏振分束器、单光子探测器,系统还包括:
云服务器模块,接收各本地节点发送的隐含层参数,在云服务器进行模型训练后形成新的参数,分发至各本地节点;
多节点管理模块,本地节点存储数据且基于神经网络模型产生隐含层参数,本地节点与云服务器通过协商交互和信息后处理同步共享量子真随机数序列,利用量子分发建立真随机数同步共享机制,不同本地节点分别存储不同异构数据,以本地节点中的任何一个节点的隐含层参数为初始模型参数,在收到云服务器分发的参数后,在本地节点端侧进行本地数据的多目标学习训练,各本地节点将训练后的隐含层参数通过量子通信返回至云服务器;
量子分发模块,通过量子态传递实现通信双方真随机数同步共享;
数据融合模块,将非安全关切高速数据分块、根据量子真随机数分布结果在各数据块内插入安全关切低速数据的某一位或某几位、再将各数据块按序整合形成双速数据融合数据;
参数整合模块,对多个本地节点发送的多个模型参数进行整合,得到与学习目标对应的多个整合后的隐含层参数。
如图3所示,本发明提供了一种基于多模型数据融合的量子加密通信方法的实施例,在所有任务之间共享隐含层来应用,同时保留多个特定于任务的输出层。针对参数共享方式,在融合学习过程中首先在云端收集多目标学习任务,针对不同的任务目标,进行隐含层的学习,将学习后的隐含层参数部署到各个本地端。本地端将隐含层数据结合自身数据进行训练学习,产出更新版隐含层参数,同步到云端后,云端将不同任务的参数收集然后分组进行整合更新,接下来发布到各个本地端,以上流程进行不断迭代直到结束。
本发明还提供一种实施例,基于云端对多个本地端的数据进行融合学习,确定多个学习目标对应的多个隐含层参数,将多个隐含层参数下发给多个本地端,对本地端基于神经网络模型进行训练,对云端下发的多个隐含层参数为初始训练参数对的本地数据进行多目标学习训练,并将学习得到的隐含层参数再返回到模型中更新隐含层参数后共享至云端,再由云端对不同学习目标的更新后隐含层参数进行整合,隐含层参数满足预设条件时,将整合后的隐含层参数发送给对应的本地端,由本地端结合自己的学习目标得到目标模型。
本发明还提供一种计算机可读存储介质的实施例,其上存储有计算机程序,该程序被处理器执行时实现上述方法的步骤。
与现有技术相比,本发明通过模型训练的方式对不同端的数据进行训练,确保了多地不同数据的不共享的情况下能够训练得出相应的参数,整体上优化了模型,解决了不同数据之间不能共享的问题。
为了描述的方便,描述以上装置时以功能分为各种单元分别描述。当然,在实施本申请时可以把各单元的功能在同一个或多个软件和/或硬件中实现。
本领域内的技术人员应明白,本发明的实施例可提供为方法、系统、或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
本申请可以在由计算机执行的计算机可执行指令的一般上下文中描述,例如程序模块。一般地,程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本申请,在这些分布式计算环境中,由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中,程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中,计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。按照本文中的界定,计算机可读介质不包括暂存电脑可读媒体(transitory media),如调制的数据信号和载波。
还需要说明的是,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于系统实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
以上所述仅为本申请的实施例而已,并不用于限制本申请。对于本领域技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等,均应包含在本申请的权利要求范围之内。
Claims (10)
1.一种基于多模型数据融合的量子加密通信方法,由云服务器、多个本地节点组成,本地节点之间建立独立的量子信道互联,本地节点存储数据且基于神经网络模型产生隐含层参数,本地节点与云服务器通过协商交互和信息后处理同步共享量子真随机数序列,利用量子分发建立真随机数同步共享机制,不同本地节点分别存储不同异构数据,以本地节点中的任何一个节点的隐含层参数为初始模型参数,在云服务器进行模型训练后形成新的参数,分发至各本地节点后,在本地节点端侧进行本地数据的多目标学习训练,各本地节点将训练后的隐含层参数通过量子通信返回至云服务器,重复上述步骤进行迭代后直至所有本地节点数据均遍历训练完成。
2.根据权利要求1所述的基于多模型数据融合的量子加密通信方法,其特征在于,所述节点包括私有数据节点和非私有数据节点。
3.根据权利要求1或2所述的基于多模型数据融合的量子加密通信方法,其特征在于,所述云服务器设置预设条件,当隐含层参数的计算层数不符合预设条件时,不断将参数分发至本地节点。
4.根据权利要求1所述的基于多模型数据融合的量子加密通信方法,其特征在于,所述本地节点之间形成单通道双向量子传输,量子密钥分发协议包括但不限于BB84协议、E91协议、BBM92协议、高维量子密钥分发协议、时间-能量纠缠协议、TF协议、连续变量量子密钥分发协议。
5.根据权利要求1或2所述的基于多模型数据融合的量子加密通信方法,其特征在于,所述本地节点预先商定安全关切低速数据和非安全关切高速数据的判定标准和标记方式。
6.根据权利要求1或2所述的基于多模型数据融合的量子加密通信方法,其特征在于,所述本地节点预先商定高速数据块长度和低速数据插入位数,高速数据块长度和低速数据插入位数是定长或变长。
7.根据权利要求1或2所述的基于多模型数据融合的量子加密通信方法,其特征在于,所述本地节点预先商定低速数据插入高速数据块的位置,是高速数据块第一位之前、最后一位之后、或是中间任意位置。
8.根据权利要求1所述的基于多模型数据融合的量子加密通信方法,其特征在于,所述本地节点建立安全可靠的信息交互机制;不同安全等级、不同通信速率的异构数据按一定规则融合。
9.一种实现如权利要求1-8所述基于多模型数据融合的量子加密通信方法的系统,包括量子光源、偏振控制器、偏振分束器、单光子探测器,其特征在于所述系统还包括:
云服务器模块,接收各本地节点发送的隐含层参数,在云服务器进行模型训练后形成新的参数,分发至各本地节点;
多节点管理模块,本地节点存储数据且基于神经网络模型产生隐含层参数,本地节点与云服务器通过协商交互和信息后处理同步共享量子真随机数序列,利用量子分发建立真随机数同步共享机制,不同本地节点分别存储不同异构数据,以本地节点中的任何一个节点的隐含层参数为初始模型参数,在收到云服务器分发的参数后,在本地节点端侧进行本地数据的多目标学习训练,各本地节点将训练后的隐含层参数通过量子通信返回至云服务器;
量子分发模块,通过量子态传递实现通信双方真随机数同步共享;
数据融合模块,将非安全关切高速数据分块、根据量子真随机数分布结果在各数据块内插入安全关切低速数据的某一位或某几位、再将各数据块按序整合形成双速数据融合数据;
参数整合模块,对多个本地节点发送的多个模型参数进行整合,得到与学习目标对应的多个整合后的隐含层参数。
10.一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现权利要求1-8任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010950889.5A CN114172638A (zh) | 2020-09-11 | 2020-09-11 | 基于多模型数据融合的量子加密通信方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010950889.5A CN114172638A (zh) | 2020-09-11 | 2020-09-11 | 基于多模型数据融合的量子加密通信方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114172638A true CN114172638A (zh) | 2022-03-11 |
Family
ID=80475822
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010950889.5A Pending CN114172638A (zh) | 2020-09-11 | 2020-09-11 | 基于多模型数据融合的量子加密通信方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114172638A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114844637A (zh) * | 2022-06-30 | 2022-08-02 | 北京算讯科技有限公司 | 一种基于量子加密技术在云网融合中的创新应用方法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109756325A (zh) * | 2017-11-05 | 2019-05-14 | 成都零光量子科技有限公司 | 一种利用量子密钥提升移动办公系统安全性的方法 |
CN110399742A (zh) * | 2019-07-29 | 2019-11-01 | 深圳前海微众银行股份有限公司 | 一种联邦迁移学习模型的训练、预测方法及装置 |
CN110690962A (zh) * | 2019-09-01 | 2020-01-14 | 成都量安区块链科技有限公司 | 一种服务节点的应用方法与装置 |
CN110874637A (zh) * | 2020-01-16 | 2020-03-10 | 支付宝(杭州)信息技术有限公司 | 基于隐私数据保护的多目标融合学习方法、装置和系统 |
CN110955907A (zh) * | 2019-12-13 | 2020-04-03 | 支付宝(杭州)信息技术有限公司 | 一种基于联邦学习的模型训练方法 |
US20200125739A1 (en) * | 2018-10-19 | 2020-04-23 | International Business Machines Corporation | Distributed learning preserving model security |
CN111382844A (zh) * | 2020-03-11 | 2020-07-07 | 华南师范大学 | 一种深度学习模型的训练方法及装置 |
CN111460453A (zh) * | 2019-01-22 | 2020-07-28 | 百度在线网络技术(北京)有限公司 | 机器学习训练方法、控制器、装置、服务器、终端和介质 |
-
2020
- 2020-09-11 CN CN202010950889.5A patent/CN114172638A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109756325A (zh) * | 2017-11-05 | 2019-05-14 | 成都零光量子科技有限公司 | 一种利用量子密钥提升移动办公系统安全性的方法 |
US20200125739A1 (en) * | 2018-10-19 | 2020-04-23 | International Business Machines Corporation | Distributed learning preserving model security |
CN111460453A (zh) * | 2019-01-22 | 2020-07-28 | 百度在线网络技术(北京)有限公司 | 机器学习训练方法、控制器、装置、服务器、终端和介质 |
CN110399742A (zh) * | 2019-07-29 | 2019-11-01 | 深圳前海微众银行股份有限公司 | 一种联邦迁移学习模型的训练、预测方法及装置 |
CN110690962A (zh) * | 2019-09-01 | 2020-01-14 | 成都量安区块链科技有限公司 | 一种服务节点的应用方法与装置 |
CN110955907A (zh) * | 2019-12-13 | 2020-04-03 | 支付宝(杭州)信息技术有限公司 | 一种基于联邦学习的模型训练方法 |
CN110874637A (zh) * | 2020-01-16 | 2020-03-10 | 支付宝(杭州)信息技术有限公司 | 基于隐私数据保护的多目标融合学习方法、装置和系统 |
CN111382844A (zh) * | 2020-03-11 | 2020-07-07 | 华南师范大学 | 一种深度学习模型的训练方法及装置 |
Non-Patent Citations (2)
Title |
---|
李胜;张培林;李兵;周云川;: "基于量子门组的量子神经网络模型及其应用", 计算机工程与应用, no. 06 * |
陆思聪;郑昱;王晓霆;吴热冰;: "量子机器学习", 控制理论与应用, no. 11 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114844637A (zh) * | 2022-06-30 | 2022-08-02 | 北京算讯科技有限公司 | 一种基于量子加密技术在云网融合中的创新应用方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Li et al. | Bidirectional controlled teleportation by using nine-qubit entangled state in noisy environments | |
CN109120639B (zh) | 一种基于区块链的数据云存储加密方法及系统 | |
Gentry et al. | Private database access with he-over-oram architecture | |
Khan et al. | Blockchain and 6G: The future of secure and ubiquitous communication | |
Wallnöfer et al. | Simulating quantum repeater strategies for multiple satellites | |
CN110198189A (zh) | 基于芯片集成光路的高维复用量子通信系统 | |
Qiu et al. | Categorical quantum cryptography for access control in cloud computing | |
Bhattacharjee et al. | Blockchain-based secure and reliable manufacturing system | |
Jameel et al. | Optimizing blockchain networks with artificial intelligence: Towards efficient and reliable IoT applications | |
Yu et al. | Asynchronous hybrid reinforcement learning for latency and reliability optimization in the metaverse over wireless communications | |
Yang et al. | Edge computing in the dark: Leveraging contextual-combinatorial bandit and coded computing | |
CN114172638A (zh) | 基于多模型数据融合的量子加密通信方法 | |
Wu et al. | Leader-following consensus of nonlinear discrete-time multi-agent systems with limited communication channel capacity | |
Bhavsar et al. | Improved device-independent randomness expansion rates using two sided randomness | |
Wang et al. | Networked control of battery‐powered systems with communication scheduling and power allocation | |
KR20220049208A (ko) | 양자 암호키 분배 방법 및 장치 | |
Mostefaoui et al. | Probabilistic causal message ordering | |
CN114172639B (zh) | 基于区块链的量子加密通信方法 | |
Kent | Unconstrained summoning for relativistic quantum information processing | |
Xu et al. | Stochastic resource allocation in quantum key distribution for secure federated learning | |
CN114172635B (zh) | 基于量子分发的双速业务混叠通信方法 | |
CN104935650B (zh) | 文件传输方法、系统及装置 | |
Zhang et al. | LS4BUCC: A low overhead storage architecture for blockchain based unmanned collaborative cognition system | |
Parra-Ullauri et al. | Federated Analytics for 6G Networks: Applications, Challenges, and Opportunities | |
CN114257314A (zh) | 基于多方安全计算的量子加密通信方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |